KyutaiTTS 在性能上表现卓越。使用单块 NVIDIAL40SGPU，该模型可同时处理 32 个请求，延迟仅为 350 毫秒。此外，系统不仅生成高质量音频，还能输出单词的精确时间戳，方便实时字幕生成或交互式应用，如 Unmute 平台的中断处理功能。
在语言支持与质量评估方面，KyutaiTTS 目前支持英语和法语，单词错误率 （WER） 分别为 2.82 和 3.29，展现出高准确度。说话者相似度达到 77.1%(英语) 和 78.7%(法语)，确保语音自然且接近原始样本。模型还能处理长篇文章，突破传统 TTS 的 30 秒限制，适合新闻、书籍等长篇内容生成。
KyutaiTTS 采用延迟流建模 （DSM） 架构，结合 Rust 服务器实现高效批处理，已在 GitHub 和 HuggingFace 开放源码与模型权重，助力全球开发者推动语音技术创新。
开源地址：https://kyutai.org/next/tts
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
